G検定（ジェネラリスト検定）「生成AI・大規模言語モデル（LLM）の発展問題」の一問一答

G検定（ジェネラリスト検定）の生成AI・大規模言語モデル（LLM）の発展問題に関する一問一答（全75問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。

1. 問1．大規模言語モデル（LLM）は、Transformerアーキテクチャを基盤として大量のテキストデータで事前学習された言語モデルである。

   正解：○（正しい）

   解説：GPTやClaude、Geminiなどの主要なLLMは、2017年にGoogleが提案したTransformerの自己注意機構を基盤とし、Webテキストなど大規模コーパスで事前学習されている点が共通している。

2. 問2．スケーリング則（Scaling Laws）とは、モデルのパラメータ数を減らすほど損失が小さくなり性能が向上するという経験則である。

   正解：×（誤り）

   解説：誤り。スケーリング則は、パラメータ数・データ量・計算量を増やすほど損失がべき乗則に従って改善するという経験則であり、パラメータを減らすほど性能が向上するという説明は逆になっている。

3. 問3．RLHF（人間のフィードバックによる強化学習）は、人間の選好データを用いて報酬モデルを学習し、その報酬を最大化するように言語モデルを調整する手法である。

   正解：○（正しい）

   解説：ChatGPTの学習で広く知られた手法であり、人間が好む応答に高い報酬を与える報酬モデルを作り、PPOなどの強化学習でモデルを最適化することでアライメントを高めるものである。

4. 問4．RLHFは人間のフィードバックを一切用いず、モデルが自動生成したデータのみで報酬を最適化する手法である。

   正解：×（誤り）

   解説：誤り。RLHFのHFは『Human Feedback（人間のフィードバック）』を意味し、人間の選好データで報酬モデルを学習する点が本質である。人間を一切介さない手法という説明は適切でない。

5. 問5．DPO（Direct Preference Optimization）は、独立した報酬モデルや強化学習ループを用いずに、選好データから直接モデルを最適化する手法である。

   正解：○（正しい）

   解説：DPOはRLHFで必要だった報酬モデルの学習とPPOによる強化学習を不要にし、選好ペアから直接方策を最適化する。実装が簡潔で学習が安定しやすいためアライメントで広く採用されている。

6. 問6．指示チューニング（Instruction Tuning）とは、人間の選好データから報酬モデルを学習し、強化学習でモデルを最適化する手法のことである。

   正解：×（誤り）

   解説：誤り。報酬モデルと強化学習で最適化する手法はRLHFである。指示チューニングは多様なタスクの指示と応答のペアで微調整し指示追従能力を高める教師あり手法であり、両者は別の手法である。

7. 問7．Chain-of-Thought（思考の連鎖）プロンプティングは、推論過程を段階的に明示させることで、複雑な推論タスクの精度を向上させる手法である。

   正解：○（正しい）

   解説：『ステップごとに考えよう』のように中間の推論過程を促すことで、算術や論理推論の正答率が向上する。特に大規模モデルにおいてその効果が顕著に現れることが知られている。

8. 問8．Few-shotプロンプティングとは、プロンプト内に解答例を一切示さず、タスクの指示のみで回答させる手法のことである。

   正解：×（誤り）

   解説：誤り。例を一切示さないのはZero-shotである。Few-shotはプロンプト内に少数の入出力例（ショット）を提示してタスクを学習させる手法を指すため、説明が逆になっている。

9. 問9．RAG（検索拡張生成）は、外部の知識ベースから関連文書を検索し、その内容を文脈としてLLMに与えて回答を生成する仕組みである。

   正解：○（正しい）

   解説：Retrieval-Augmented Generationの略であり、最新情報や社内文書を検索して根拠として与えることで、ハルシネーションの低減や情報鮮度の向上、出典提示の容易さに寄与する仕組みである。

10. 問10．RAGでは、外部知識を検索して文脈に与えるため、必ずモデルの全パラメータを再学習する必要がある。

    正解：×（誤り）

    解説：誤り。RAGはモデルの重みを更新せず、検索した文書を文脈として与えるだけで外部知識を活用できる仕組みである。全パラメータの再学習が必須という説明は適切でなく、再学習不要が利点である。

11. 問11．ハルシネーション（hallucination）とは、LLMが事実に基づかない、もっともらしいが誤った情報を生成してしまう現象を指す。

    正解：○（正しい）

    解説：生成AIの主要な課題の一つであり、存在しない論文や誤った数値を自信ありげに出力する。RAGや出典の提示、ファクトチェックなどによって緩和が図られているが完全な解決には至っていない。

12. 問12．ハルシネーションは、学習データを増やせば必ず完全に解消できることが理論的に証明されている。

    正解：×（誤り）

    解説：誤り。データ増加による軽減は期待できるものの、確率的に次トークンを予測する仕組み上ハルシネーションを完全に解消できる保証はなく、現在も根本的な未解決課題として研究が続いている。

13. 問13．LoRA（Low-Rank Adaptation）は、元のモデルの重みを凍結し、低ランクの追加行列のみを学習することでパラメータ効率よく微調整する手法である。

    正解：○（正しい）

    解説：PEFT（パラメータ効率的微調整）の代表的手法であり、学習対象を小さな低ランク行列に限定することで、メモリ消費と計算コストを大幅に削減しながらモデルを下流タスクに適応させられるものである。

14. 問14．QLoRAは、モデルの精度を上げるために重みを高精度のまま保持し、GPUメモリ消費をあえて増やして微調整する手法である。

    正解：×（誤り）

    解説：誤り。QLoRAはモデルを4bitなどに量子化した上でLoRAを適用し、GPUメモリ消費を抑えて大規模モデルの微調整を可能にする手法である。メモリ消費をあえて増やすという説明は実際とは逆である。

15. 問15．ファインチューニング（fine-tuning）では、元のモデルの全パラメータを必ず更新する必要があり、一部のみを更新する手法は存在しない。

    正解：×（誤り）

    解説：誤り。LoRAやQLoRA、Adapterといったパラメータ効率的微調整（PEFT）では一部のパラメータのみを更新する。全パラメータの更新が必須という説明は適切でなく、現実には様々な手法が存在する。

16. 問16．拡散モデル（Diffusion Model）は、データに徐々にノイズを加える過程を逆向きに学習し、ノイズから段階的にデータを生成する画像生成手法である。

    正解：○（正しい）

    解説：順拡散過程でノイズを加え、逆拡散過程でノイズを除去していく仕組みである。Stable DiffusionやDALL-Eなどに採用されており、高品質な画像生成の主流手法として広く利用されているものである。

17. 問17．Stable Diffusionは、計算コストを高めるためにあえて高解像度の画素空間で直接ノイズ除去を行うことを特徴とするモデルである。

    正解：×（誤り）

    解説：誤り。Stable Diffusionは潜在空間でノイズ除去を行う潜在拡散モデルであり、画素空間で直接処理する方式より計算コストを大幅に削減している。画素空間で直接行うという説明は実際とは逆になっている。

18. 問18．拡散モデルはGAN（敵対的生成ネットワーク）と全く同一のアーキテクチャと学習方式を採用している。

    正解：×（誤り）

    解説：誤り。GANは生成器と識別器を競わせる敵対的学習だが、拡散モデルはノイズの付与と除去の過程を学習する全く異なる仕組みであり、学習の安定性や生成品質の特性などにも違いがあるものである。

19. 問19．マルチモーダルAIとは、テキストだけでなく画像・音声・動画など複数種類のデータを統合的に扱えるAIモデルを指す。

    正解：○（正しい）

    解説：GPT-4oやGemini、Claudeなどは画像入力やテキスト出力を組み合わせて処理できる。複数のモダリティを統合して理解・生成する能力は近年の生成AIの発展における中心的なテーマとなっている。

20. 問20．GPT-4V（GPT-4 with Vision）は画像を一切扱えず、テキスト入力のみを処理する単一モダリティのモデルである。

    正解：×（誤り）

    解説：誤り。GPT-4Vは画像を入力として受け取り、その内容を理解して説明や質問応答ができるマルチモーダルモデルである。画像を扱えずテキストのみという説明は、Vision機能を持つ実際の特性に反している。

21. 問21．Function Calling（関数呼び出し）は、LLMが外部のAPIやツールを呼び出すための引数を構造化形式で出力する機能である。

    正解：○（正しい）

    解説：ユーザーの要求に応じて呼び出すべき関数名と引数をJSONなどの構造化形式で生成し、天気取得やデータベース検索など外部機能と連携できる。AIエージェントを実現するうえでの基盤技術となっている。

22. 問22．AIエージェントは、目標達成のために自律的に計画を立て、ツールを使い、複数ステップのタスクを実行できるシステムを指す。

    正解：○（正しい）

    解説：LLMを推論の中核とし、ツール利用・記憶・計画立案などを組み合わせて自律的にタスクを進めるシステムである。ReActやFunction Callingといった技術がその具体的な実現を支えているものである。

23. 問23．ReActは、推論（Reasoning）と行動（Acting）を交互に行い、思考と外部ツールの利用を組み合わせて問題を解くプロンプティング手法である。

    正解：○（正しい）

    解説：考える（Thought）→行動する（Action）→観測する（Observation）を繰り返す枠組みであり、検索などの外部ツール利用と推論を統合することで、エージェント的な動作を実現する手法である。

24. 問24．基盤モデル（foundation model）とは、特定タスク専用に小規模データだけで学習され、他のタスクには一切転用できないモデルを指す。

    正解：×（誤り）

    解説：誤り。基盤モデルは大規模データで事前学習され、微調整やプロンプトを通じて多様な下流タスクに広く適応できる汎用性が本質である。専用かつ転用不可という説明は実際とは逆になっている。

25. 問25．創発的能力（emergent abilities）とは、モデル規模が一定の閾値を超えると、小規模モデルには見られなかった能力が突然現れる現象を指す。

    正解：○（正しい）

    解説：多段階の算術や複雑な推論などの能力が、モデル規模の拡大によって非連続的に出現するとされる現象である。大規模化の意義やLLMの性質を語るうえで重要な概念として議論されているものである。

26. 問26．ディープフェイクは、生成物に必ず明確な改ざんの痕跡が残るため、本物と容易に見分けられ悪用の懸念がない技術である。

    正解：×（誤り）

    解説：誤り。ディープフェイクは本物と見分けがつきにくい偽の画像・音声・動画を作る技術であり、誤情報拡散やなりすましなどの悪用リスクが高い。容易に見分けられ懸念がないという説明は実態に反している。

27. 問27．生成AIの学習や推論には大量の計算資源と電力が必要であり、計算コストや環境負荷が課題として指摘されている。

    正解：○（正しい）

    解説：大規模モデルの学習には膨大なGPU時間と電力を要する。コストやカーボンフットプリント（環境負荷）の観点から、より効率的な学習・推論手法やモデルの軽量化に関する研究が活発に進められている。

28. 問28．生成AIが学習データに含まれる著作物を出力する可能性があり、著作権侵害の懸念は法的・倫理的な論点として議論されていない。

    正解：×（誤り）

    解説：誤り。生成AIと著作権は世界的に活発に議論されている論点であり、学習データの利用の是非や生成物の権利帰属をめぐる訴訟や法整備が各国で進んでいるため、議論されていないという記述は適切でない。

29. 問29．埋め込み（embedding）とは、単語や文章を意味的な関係を保った密な数値ベクトルに変換した表現である。

    正解：○（正しい）

    解説：意味が近いテキストはベクトル空間上で近くに配置されるよう学習される。RAGの検索や意味的類似度の計算、クラスタリングなど幅広い用途に利用される、生成AIの基礎的な技術の一つである。

30. 問30．アライメント（alignment）とは、複数のモデルの出力を平均して推論精度を高めるアンサンブル手法のことを指す。

    正解：×（誤り）

    解説：誤り。アライメントはAIの振る舞いを人間の意図や価値観・倫理に沿わせる取り組みを指し、RLHFやDPOなどで実現される。複数モデルの出力を平均するのはアンサンブルであり、両者は別概念である。

31. 問31．プロンプトインジェクションは、悪意ある入力でLLMの本来の指示を上書き・無視させ、意図しない動作を引き起こす攻撃である。

    正解：○（正しい）

    解説：『これまでの指示を無視せよ』のような入力でシステムプロンプトを乗っ取る手口であり、生成AIアプリケーションのセキュリティ上の代表的な脅威として、入力検証などの対策が求められているものである。

32. 問32．トークン（token）とは、LLMがテキストを処理する際の基本単位であり、必ず1単語が1トークンに対応する。

    正解：×（誤り）

    解説：誤り。トークンはサブワード単位で分割されることが多く、1単語が複数トークンに分かれたり、複数の文字が1トークンになることもある。1単語が必ず1トークンに対応するという説明は適切でない。

33. 問33．コンテキストウィンドウ（context window）とは、LLMが一度に処理・参照できるトークン数の上限を指す。

    正解：○（正しい）

    解説：入力と出力を合わせて扱える最大トークン数のことであり、近年は数十万から百万トークン規模へと拡大している。長文の処理やRAGの設計に影響する重要なパラメータとして理解されているものである。

34. 問34．知識蒸留（distillation）は、小さなモデルの出力を大きなモデルに学習させ、より大規模で重いモデルを得る手法である。

    正解：×（誤り）

    解説：誤り。知識蒸留は大きな教師モデルの出力を小さな生徒モデルに学習させ、軽量で高速なモデルを得る手法である。小さなモデルから大きなモデルを得るという説明は、向きが逆になっているものである。

35. 問35．温度（temperature）パラメータを高く設定すると、出力の多様性が下がり常に同じ確定的な応答になる。

    正解：×（誤り）

    解説：誤り。temperatureを高くすると確率分布が平坦化し、出力の多様性やランダム性が増す。確定的に近い応答を得たい場合はむしろ低い値を設定するため、説明が逆になっているものである。

36. 問36．RAGはモデルの重みを更新せずに外部知識を活用できるため、ファインチューニングより低コストで知識を更新できる場合がある。

    正解：○（正しい）

    解説：RAGは知識ベースを差し替えるだけで情報を更新でき、モデルの再学習が不要な点が利点である。最新情報の反映や出典提示の容易さから、実務における知識更新の手段として広く採用されているものである。

37. 問37．ガードレール（guardrail）は、生成AIの入出力を監視・制限し、有害・不適切な内容の生成を防ぐ仕組みである。

    正解：○（正しい）

    解説：入力フィルタや出力検証、禁止トピックの制御などによって安全性を担保する仕組みである。生成AIを実運用する際のリスク管理として、近年その導入や設計の重要性がますます高まっているものである。

38. 問38．事前学習済みのLLMは追加学習なしでもプロンプト内の例から学び取って応答できるが、これを転移学習（transfer learning）と呼ぶ。

    正解：×（誤り）

    解説：誤り。重み更新を伴わずプロンプト内の例示や指示だけでタスクに適応する能力は文脈内学習（in-context learning）と呼ばれる。転移学習は事前学習済みモデルを別タスクに微調整で活かす別概念である。

39. 問39．Transformerが採用する仕組みのうち、系列内の各要素間の関連度を計算して文脈を捉えるものとして最も適切なものはどれか。

    • ア．畳み込み層（Convolution）
    • イ．再帰構造（RNN）
    • ウ．プーリング層
    • エ．自己注意機構（Self-Attention）

    正解：エ．自己注意機構（Self-Attention）

    解説：Transformerの中核は自己注意機構（Self-Attention）であり、系列内の各トークン間の関連度を計算して文脈を捉える。畳み込みや再帰構造ではなく、この注意機構がアーキテクチャの要となっている。

40. 問40．プロンプト内に解答例を一切示さず、指示のみでタスクを実行させる手法の名称として正しいものはどれか。

    • ア．Zero-shot
    • イ．Fine-tuning
    • ウ．Few-shot
    • エ．Chain-of-Thought

    正解：ア．Zero-shot

    解説：例を示さず指示だけで解かせるのはZero-shotである。例を少数示すのがFew-shot、推論過程を段階的に示すのがChain-of-Thoughtであり、それぞれ与える情報の量や種類が異なる手法である。

41. 問41．中間の推論過程を段階的に出力させて複雑な推論精度を高める手法はどれか。

    • ア．RAG
    • イ．Chain-of-Thought
    • ウ．RLHF
    • エ．LoRA

    正解：イ．Chain-of-Thought

    解説：推論過程を順を追って出力させるのがChain-of-Thought（思考の連鎖）である。RAGは検索拡張生成、RLHFは人間フィードバックによる強化学習、LoRAは効率的微調整であり、いずれも目的が異なる。

42. 問42．外部の知識ベースから関連文書を検索し、文脈として与えて回答を生成する仕組みの名称はどれか。

    • ア．PEFT
    • イ．DPO
    • ウ．RAG
    • エ．CoT

    正解：ウ．RAG

    解説：Retrieval-Augmented Generation（RAG）が該当する。検索した文書を根拠として与えることで、ハルシネーションの低減や最新情報の反映を図る仕組みであり、実務での採用が進んでいる技術である。

43. 問43．元のモデルの重みを凍結し、低ランク行列のみを学習するパラメータ効率的微調整手法はどれか。

    • ア．RLHF
    • イ．RAG
    • ウ．Chain-of-Thought
    • エ．LoRA

    正解：エ．LoRA

    解説：LoRA（Low-Rank Adaptation）が該当する。RLHFは人間フィードバックによる強化学習、RAGは検索拡張生成、Chain-of-Thoughtはプロンプティング手法であり、微調整の手法ではない点に注意する。

44. 問44．人間の選好データから報酬モデルを学習し、強化学習でLLMを調整する手法の略称はどれか。

    • ア．RLHF
    • イ．PEFT
    • ウ．RAG
    • エ．SFT

    正解：ア．RLHF

    解説：RLHF（Reinforcement Learning from Human Feedback）が該当する。報酬モデルとPPOなどの強化学習を組み合わせ、人間が好む応答へとモデルを最適化してアライメントを高める手法である。

45. 問45．報酬モデルや強化学習ループを用いず、選好データから直接モデルを最適化するアライメント手法はどれか。

    • ア．PPO
    • イ．DPO
    • ウ．RAG
    • エ．LoRA

    正解：イ．DPO

    解説：DPO（Direct Preference Optimization）が該当する。RLHFで必要だった複雑な強化学習工程を省き、選好ペアから直接方策を最適化する点が特徴で、安定した学習が行いやすいとされる手法である。

46. 問46．Stable Diffusionが計算効率向上のために拡散処理を行う空間として正しいものはどれか。

    • ア．画素空間
    • イ．周波数空間
    • ウ．潜在空間
    • エ．対数空間

    正解：ウ．潜在空間

    解説：Stable Diffusionは潜在空間（latent space）で拡散処理を行う潜在拡散モデルである。画素空間で直接拡散を行う方式に比べ、計算コストを大幅に削減できる点が大きな特徴となっている手法である。

47. 問47．拡散モデルの生成過程として最も適切な説明はどれか。

    • ア．生成器と識別器を敵対的に学習させる
    • イ．クラスタ中心を反復更新して生成する
    • ウ．決定木を多数組み合わせて生成する
    • エ．ノイズから段階的にノイズを除去して生成する

    正解：エ．ノイズから段階的にノイズを除去して生成する

    解説：拡散モデルはノイズから段階的にノイズを除去してデータを生成する（逆拡散過程）。生成器と識別器を競わせる敵対的学習はGANの仕組みであり、拡散モデルとは学習方式が根本的に異なる手法である。

48. 問48．LLMが外部APIを呼び出すために、呼び出す関数名と引数を構造化形式で出力する機能はどれか。

    • ア．Function Calling
    • イ．Embedding
    • ウ．Tokenization
    • エ．Distillation

    正解：ア．Function Calling

    解説：Function Calling（関数呼び出し）が該当する。LLMが外部ツールやAPIと連携するための基盤であり、AIエージェントが自律的にタスクを遂行するうえで欠かせない重要な要素技術となっている。

49. 問49．推論（Reasoning）と行動（Acting）を交互に行い、思考とツール利用を組み合わせる手法の名称はどれか。

    • ア．RLHF
    • イ．ReAct
    • ウ．QLoRA
    • エ．DALL-E

    正解：イ．ReAct

    解説：ReAct（Reason + Act）が該当する。思考と外部ツールの行動を交互に繰り返すことで、検索などを活用したエージェント的なタスク遂行を可能にする手法であり、自律エージェントの基礎となっている。

50. 問50．LLMが事実に基づかない、もっともらしい誤情報を生成する現象の名称はどれか。

    • ア．オーバーフィッティング
    • イ．カタストロフィックフォーゲッティング
    • ウ．ハルシネーション
    • エ．モード崩壊

    正解：ウ．ハルシネーション

    解説：ハルシネーション（hallucination）が該当する。生成AIの主要な課題の一つであり、RAGによる根拠の付与や出典の提示などによってその発生の緩和が試みられているが、完全な解決には至っていない。

51. 問51．モデル規模が一定の閾値を超えると小規模モデルに見られなかった能力が突然現れる現象の名称はどれか。

    • ア．勾配消失
    • イ．正則化
    • ウ．次元の呪い
    • エ．創発的能力

    正解：エ．創発的能力

    解説：創発的能力（emergent abilities）が該当する。スケールの拡大によって新たな能力が非連続的に出現するとされる現象であり、大規模化の意義やLLMの性質を語るうえで重要な概念とされているものである。

52. 問52．テキストや画像など複数種類のデータを統合的に扱えるAIを表す語として正しいものはどれか。

    • ア．マルチモーダルAI
    • イ．シンボリックAI
    • ウ．ユニモーダルAI
    • エ．ルールベースAI

    正解：ア．マルチモーダルAI

    解説：マルチモーダル（multimodal）AIが該当する。GPT-4oやGeminiなどが画像・テキストなどを統合して処理する。単一のモダリティのみを扱うユニモーダルとは対照的な概念であり、近年の発展の中心である。

53. 問53．モデルのパラメータ数・データ量・計算量と性能の関係を示す経験則の名称はどれか。

    • ア．ムーアの法則
    • イ．スケーリング則
    • ウ．ベイズの定理
    • エ．アムダールの法則

    正解：イ．スケーリング則

    解説：スケーリング則（Scaling Laws）が該当する。べき乗則的に損失が改善するという経験則であり、計算資源の配分やモデル設計の指針として用いられ、LLMの大規模化を支える根拠となっているものである。

54. 問54．単語や文章を意味的関係を保った密な数値ベクトルに変換した表現の名称はどれか。

    • ア．ワンホット表現
    • イ．正規化
    • ウ．埋め込み（embedding）
    • エ．量子化

    正解：ウ．埋め込み（embedding）

    解説：埋め込み（embedding）が該当する。意味が近いテキストほどベクトル空間で近接するよう学習され、RAGの検索や意味的類似度の計算など、生成AIの幅広い処理において基礎的な役割を果たしている。

55. 問55．量子化とLoRAを組み合わせ、限られたGPUメモリで大規模モデルを微調整する手法はどれか。

    • ア．ReAct
    • イ．RLHF
    • ウ．RAG
    • エ．QLoRA

    正解：エ．QLoRA

    解説：QLoRA（Quantized LoRA）が該当する。4bit量子化とLoRAを併用することで、単一GPUでも大規模モデルの微調整を可能にした手法であり、個人や小規模環境での微調整を現実的にした点で評価されている。

56. 問56．悪意ある入力でLLMの本来の指示を上書き・無視させる攻撃の名称はどれか。

    • ア．プロンプトインジェクション
    • イ．バッファオーバーフロー
    • ウ．クロスサイトスクリプティング
    • エ．SQLインジェクション

    正解：ア．プロンプトインジェクション

    解説：プロンプトインジェクションが該当する。システムプロンプトを乗っ取り意図しない動作を引き起こす、生成AI特有のセキュリティ脅威である。SQLインジェクションなど従来のWeb攻撃とは対象が異なる。

57. 問57．LLMが一度に処理・参照できるトークン数の上限を表す語として正しいものはどれか。

    • ア．バッチサイズ
    • イ．コンテキストウィンドウ
    • ウ．エポック
    • エ．学習率

    正解：イ．コンテキストウィンドウ

    解説：コンテキストウィンドウ（context window）が該当する。入力と出力を合わせて扱える最大トークン数を指し、長文の処理やRAGの設計に大きく影響する。近年は百万トークン規模へと拡大が進んでいる。

58. 問58．大きな教師モデルの出力を小さな生徒モデルに学習させ、軽量モデルを得る手法はどれか。

    • ア．拡散
    • イ．正則化
    • ウ．知識蒸留（distillation）
    • エ．アンサンブル

    正解：ウ．知識蒸留（distillation）

    解説：知識蒸留（distillation）が該当する。教師モデルの出力を生徒モデルに模倣させることで、性能を比較的保ちつつ推論コストを削減でき、エッジ環境などへの軽量なデプロイのために用いられる手法である。

59. 問59．Metaが開発し重みを公開した、オープンな大規模言語モデルシリーズはどれか。

    • ア．GPT-4
    • イ．Gemini
    • ウ．Claude
    • エ．Llama

    正解：エ．Llama

    解説：Llamaが該当する。Metaが研究・商用利用可能な形で重みを公開したLLMであり、オープンモデルの普及やローカル運用・微調整の流れを牽引した。GPTやGemini、Claudeとは開発元が異なる。

60. 問60．多様なタスクの指示と応答のペアで微調整し、未知の指示にも従えるようにする手法はどれか。

    • ア．指示チューニング
    • イ．知識蒸留
    • ウ．データ拡張
    • エ．プルーニング

    正解：ア．指示チューニング

    解説：指示チューニング（Instruction Tuning）が該当する。指示形式のデータで微調整することにより、モデルの指示追従能力や未知タスクへのゼロショット汎化性能を高める手法であり、対話モデル構築の基礎となる。

61. 問61．重み更新を伴わず、プロンプト内の例や指示だけでタスクに適応する能力の名称はどれか。

    • ア．転移学習
    • イ．文脈内学習（in-context learning）
    • ウ．強化学習
    • エ．自己教師あり学習

    正解：イ．文脈内学習（in-context learning）

    解説：文脈内学習（in-context learning）が該当する。Few-shotプロンプティングがその代表例であり、追加の学習を行わずにプロンプト内の文脈から学び取ってタスクに適応する、LLM特有の能力である。

62. 問62．AIの振る舞いを人間の意図や価値観・倫理に沿わせる取り組みの名称はどれか。

    • ア．知識蒸留
    • イ．正規化
    • ウ．アライメント
    • エ．量子化

    正解：ウ．アライメント

    解説：アライメント（alignment）が該当する。RLHFやDPO、Constitutional AIなどによって有害・不正確な出力を抑え、人間の意図に沿った応答を促す取り組みであり、安全な生成AI実現の中核的な課題である。

63. 問63．出力の多様性・ランダム性を制御し、高くするほど多様な応答になるパラメータはどれか。

    • ア．学習率
    • イ．ドロップアウト率
    • ウ．バッチサイズ
    • エ．温度（temperature）

    正解：エ．温度（temperature）

    解説：温度（temperature）が該当する。値を高くすると確率分布が平坦化して多様性が増し、低くすると確定的な応答に近づく。学習率やバッチサイズは学習時のパラメータであり、生成時の制御とは役割が異なる。

64. 問64．生成AIの入出力を監視・制限し、有害な内容の生成を防ぐ仕組みの名称はどれか。

    • ア．ガードレール
    • イ．オーケストレーション
    • ウ．パイプライン
    • エ．キャッシュ

    正解：ア．ガードレール

    解説：ガードレール（guardrail）が該当する。入力フィルタや出力検証によって安全性を担保する仕組みであり、生成AIの実運用におけるリスク管理として、その設計や導入の重要性が高まっているものである。

65. 問65．生成AIにより本物と見分けにくい偽の画像・音声・動画を作る技術の名称はどれか。

    • ア．オーグメンテーション
    • イ．ディープフェイク
    • ウ．レンダリング
    • エ．シミュレーション

    正解：イ．ディープフェイク

    解説：ディープフェイク（deepfake）が該当する。誤情報の拡散やなりすましなど悪用リスクが高く、社会的信頼性や選挙への影響などの観点から、生成AI時代の重大な社会的課題として対策が議論されている。

66. 問66．LLMがテキストを処理する基本単位の名称として正しいものはどれか。

    • ア．ピクセル
    • イ．ノード
    • ウ．トークン
    • エ．エポック

    正解：ウ．トークン

    解説：トークン（token）が該当する。サブワード単位で分割されることが多く、必ずしも1単語が1トークンになるとは限らない。ピクセルは画像、エポックは学習回数の単位であり、テキスト処理の基本単位ではない。

67. 問67．RAGにおいて、検索対象の文書ベクトルを格納し類似度検索を行うために用いるものはどれか。

    • ア．リレーショナルDBの結合のみ
    • イ．キーバリューストアの完全一致のみ
    • ウ．ファイルの全文逐次走査のみ
    • エ．ベクトルデータベース

    正解：エ．ベクトルデータベース

    解説：ベクトルデータベース（vector database）が該当する。埋め込みベクトルを格納し、コサイン類似度などを用いて意味的に近い文書を高速に検索できる。RAGの検索段階を支える重要な構成要素である。

68. 問68．大規模データで事前学習され、微調整やプロンプトで多様な下流タスクに適応できる汎用モデルの呼称はどれか。

    • ア．基盤モデル（foundation model）
    • イ．決定木モデル
    • ウ．線形回帰モデル
    • エ．エキスパートシステム

    正解：ア．基盤モデル（foundation model）

    解説：基盤モデル（foundation model）が該当する。広範なデータで学習し、多様なタスクへ転用できる汎用性が特徴であり、LLMや画像生成モデルなどが含まれる。特定タスク専用の従来型モデルとは性質が異なる。

69. 問69．画像を入力し、その内容を理解して説明や質問応答ができるGPT-4の機能の呼称はどれか。

    • ア．Function Calling
    • イ．GPT-4V（Vision）
    • ウ．Embedding API
    • エ．Fine-tuning API

    正解：イ．GPT-4V（Vision）

    解説：GPT-4V（Vision）が該当する。画像とテキストを同時に扱い、視覚情報を言語で説明できるマルチモーダル機能である。Function CallingやEmbedding APIとは目的・役割が異なる機能となっている。

70. 問70．テキストから画像を生成する代表的な生成AIサービス・モデルとして最も適切なものはどれか。

    • ア．BERT
    • イ．Whisper
    • ウ．DALL-E
    • エ．word2vec

    正解：ウ．DALL-E

    解説：DALL-Eが該当する。テキストプロンプトから画像を生成するモデルである。BERTは言語理解、Whisperは音声認識、word2vecは単語埋め込みのモデルであり、いずれも画像生成を主目的とはしていない。

71. 問71．目標達成のため自律的に計画・ツール利用・複数ステップ実行を行うシステムの呼称はどれか。

    • ア．単発の画像分類器
    • イ．バッチ処理ジョブ
    • ウ．静的ルールエンジン
    • エ．AIエージェント

    正解：エ．AIエージェント

    解説：AIエージェント（AI agent）が該当する。LLMを中核として計画・ツール利用・記憶を組み合わせ、自律的にタスクを進めるシステムである。単発の分類器や静的なルールエンジンとは性質が大きく異なる。

72. 問72．生成AIの大規模学習に関して指摘される主要課題として最も適切なものはどれか。

    • ア．計算コストと環境負荷が大きい点
    • イ．学習が一瞬で完了する点
    • ウ．学習に費用が一切かからない点
    • エ．データを全く必要としない点

    正解：ア．計算コストと環境負荷が大きい点

    解説：大規模学習には膨大な計算資源と電力が必要であり、計算コストと環境負荷の大きさが主要課題とされる。学習が一瞬で完了する、費用がかからない、データが不要といった選択肢はいずれも事実に反している。

73. 問73．プロンプトに少数の入出力例を提示してタスクを学習させる手法の名称はどれか。

    • ア．Zero-shot
    • イ．Few-shot
    • ウ．Chain-of-Thought
    • エ．Fine-tuning

    正解：イ．Few-shot

    解説：Few-shotプロンプティングが該当する。少数の例（ショット）を示してタスクを学習させる手法であり、例を全く示さないのはZero-shot、推論過程を段階的に示すのはChain-of-Thoughtで区別される。

74. 問74．PEFT（Parameter-Efficient Fine-Tuning）の特徴として最も適切なものはどれか。

    • ア．必ず全パラメータを更新する
    • イ．学習を一切行わない
    • ウ．一部パラメータのみ更新し効率化する
    • エ．モデルを毎回ゼロから学習する

    正解：ウ．一部パラメータのみ更新し効率化する

    解説：PEFTは一部のパラメータのみを更新することでメモリや計算コストを抑える微調整手法群である。全パラメータの更新が必須、学習を行わない、毎回ゼロから学習するといった説明はいずれも適切でない。

75. 問75．生成AIと著作権をめぐる論点として最も適切なものはどれか。

    • ア．生成AIは著作権と全く無関係である
    • イ．学習データは権利を考慮する必要が全くない
    • ウ．生成物に著作権の議論は一切ない
    • エ．学習データ利用や生成物の権利が論点になる

    正解：エ．学習データ利用や生成物の権利が論点になる

    解説：学習データの利用の是非や生成物の権利帰属が世界的に議論・係争されている。著作権と全く無関係、議論が一切存在しない、権利を考慮する必要がないといった選択肢はいずれも現状の議論に反している。